问财量化选股策略逻辑
选股逻辑：振幅大于1，反包，15分钟周期MACD绿柱变短。
选股逻辑分析
加入15分钟周期MACD绿柱变短的筛选条件可以进一步明确选股方向和节约投资人的时间成本，同时振幅和反包的筛选条件在前文中已进行了分析，这里不再赘述。
有何风险？
使用单一技术指标进行选股，可能会遗漏其他重要的市场因素，如基本面等方面，导致选股策略的可靠性不足。
如何优化？
可以结合基本面、资金流向等多方面因素进行进一步筛选，或者使用机器学习等方法对选股策略进行优化。
最终的选股逻辑
基于以上分析，我们提出改进后的股票筛选逻辑：
- 振幅大于1；
- 反包出现；
- 15分钟周期MACD绿柱变短。
同花顺指标公式代码参考
以下是通达信指标的公式代码示例：
F01:HIGH / LOW - 1 > 0.01; // 振幅大于1
F02:NOT(SIGN(CLOSE-REF(CLOSE, 1)) == SIGN(REF(CLOSE, 1) - REF(CLOSE, 2))); // 反包
F03:CLOSE > MA(CLOSE, 20) AND MACD(12, 26, 9, EMA(CLOSE, 12), EMA(CLOSE, 26), EMA(CLOSE, 9)) < REF(MACD(12, 26, 9, EMA(CLOSE, 12), EMA(CLOSE, 26), EMA(CLOSE, 9)), 1); // 15分钟周期MACD绿柱变短
FILTER:F01 AND F02 AND F03;
SYMBOL_SORT("热度", SORT_DESCEND);
SELECT(IF(F04, 1, 0), "诊股"); // 输出文本信息：选股
python代码参考
以下是用 Python 实现该策略的选股逻辑：
def stock_filter(dv, symbol):
# 获取股票数据
high = dv.get_ts("high", symbol=symbol)
low = dv.get_ts("low", symbol=symbol)
close = dv.get_ts("close", symbol=symbol)
# 加入MACD绿柱变短的筛选条件
macd = MACD(close, n_fast=12, n_slow=26, n_sign=9)
signal = macd["signal"]
macd_hist = macd["hist"]
macd_short = macd_hist.apply(lambda x: x[-1] < x[-2])
# 计算其他指标
selected_stocks = (high / low - 1 > 0.01) & (Ta('CDL2CROWS', 0, open, high, low, close) == 100) & (macd_short)
selected_stocks = selected_stocks[selected_stocks].sort_values(by="heat_rank", ascending=False)
return selected_stocks.index.tolist()
同样使用 Python 和 TA-Lib 进行计算，加入MACD绿柱变短的筛选条件进行选股，以期获得更为优秀的选股结果。
## 如何进行量化策略实盘？
请把您优化好的选股语句放入文章最下面模板的选股语句中即可。
select_sentence = '市值小于100亿' #选股语句。
模板如何使用？
点击图标右上方的复制按钮，复制到自己的账户即可使用模板进行回测。
## 如果有任何问题请添加 下方的二维码进群提问。
